✨︎ Resumen (TL;DR):
- Google describió agentes que ejecutan experimentos para optimizar código.
- En libgav1, la empresa reportó 32,000 líneas de código SIMD sustituidas y un resultado 2.7 veces más rápido que una versión previa en Rust.
- Un preprint distingue las formas de automejora y propone comparar el resultado con el mismo sistema antes de modificarlo.
Los grandes laboratorios de IA buscan automatizar la investigación de sus próximos modelos. Google ya documenta agentes que programan y optimizan software, mientras un preprint propone criterios para distinguir y medir la automejora.
Un informe de Gladstone AI, publicado el 14 de octubre de 2026, recoge conversaciones con investigadores de Anthropic, OpenAI y Google DeepMind. Según ese informe, la mayoría de los consultados prevé ciclos de investigación con automejora recursiva en 3 a 12 meses, si no hay intervención del Gobierno estadounidense ni desaceleración. El documento presenta esa ventana como una expectativa de esos interlocutores.
Google ya delega tareas de ingeniería en agentes
En la presentación de Gemini 4 Argon del 30 de septiembre, Google describió agentes que ejecutan experimentos para optimizar código. En libgav1, su software para decodificar video, la empresa afirma que esos agentes sustituyeron 32,000 líneas de código SIMD.
El código SIMD procesa varios datos con una misma instrucción. Según Google, el resultado funcionó 2.7 veces más rápido que la versión previa en Rust y produjo una salida de video idéntica.
La comparación corresponde a la versión previa en Rust, no al decodificador original en C++. Google también describe migraciones de software que pasan por auditorías automáticas y manuales antes de su implementación.
La automejora recursiva tiene distintos alcances
Un preprint de Leijun Zhou y sus colaboradores, depositado en arXiv el 10 de octubre, define la automejora recursiva como un ciclo.
La automejora recursiva (RSI) es un ciclo de mejora en el que un sistema se modifica, conserva los cambios y los usa para producir otras mejoras.
El trabajo distingue entre cambios en los parámetros del modelo y actualizaciones de memoria o código del agente. La clasificación separa dos tipos de modificación:
- Cambios en los parámetros del modelo.
- Actualizaciones de memoria o código del agente.
La distinción permite separar alcances distintos, como mejorar la memoria de un agente y automatizar el diseño de su siguiente modelo.
Probar ideas consume recursos limitados
Gladstone describe una selección por etapas: los laboratorios prueban muchas propuestas a pequeña escala y dedican más cómputo a las que prometen mejores resultados.
Generar más ideas puede repartir demasiado los recursos iniciales y dificultar distinguir las buenas de las malas. Algunas propuestas solo muestran su utilidad a gran escala. Según el análisis, disponer de más cómputo amplía las posibilidades de detectarlas.
El preprint también advierte que las evaluaciones varían según las tareas y la retroalimentación. Propone protocolos comunes y publicar tanto el resultado final como la mejora frente al mismo sistema antes de modificarlo.
El resultado final sería solo una parte de la medición. La comparación permitiría saber cuánto aporta cada mecanismo y si lo aprendido se conserva en tareas nuevas.
